python - 在python中获取URL的明文数据

Question

我想从给定的 URL 中获取纯文本（例如，没有 html 标签和实体）。我应该使用什么库来尽快做到这一点？

我已经尝试过（也许有比这更快或更好的东西）：

import re
import mechanize
br = mechanize.Browser()
br.open("myurl.com")
vh = br.viewing_html
//<bound method Browser.viewing_html of <mechanize._mechanize.Browser instance at 0x01E015A8>>

谢谢

Answer 1

如果该站点不适合您，您可以使用HTML2Text您可以转到HTML2Text github Repo并为 Python 获取它

或者试试这个：

import urllib
from bs4 import*

html = urllib.urlopen('myurl.com').read()
soup = BeautifulSoup(html)
text = soup.get_text()
print text

我不知道它是否摆脱了所有的 js 和东西，但它摆脱了 HTML

做一些谷歌搜索还有许多其他类似的问题

也可以看看Read2Text

Answer 2

在 Python 3 中，您可以将 HTML 作为字节获取，然后转换为字符串表示形式：

from urllib import request

text = request.urlopen('myurl.com').read().decode('utf8')